Ultralytics YOLO11 ve GPT-4o Mini ile ANPR sistemi oluştur

Kalabalık bir otoparkta park yeri aramak, gişe sıralarında uzun süre beklemek veya güvenlik kontrol noktalarında takılı kalmak can sıkıcıdır. Araçları elle kontrol etmek çoğu zaman çok uzun sürer ve gecikmelere yol açar. Otomatik bir sistem olmadan araçları verimli biçimde takip etmek zor olabilir.

Bilgisayarlı görü, görüntülerden ve video akışlarından gerçek zamanlı plaka tanımayı mümkün kılarak bu durumu değiştirdi. Örneğin, Ultralytics YOLO11; nesne algılama, sınıflandırma ve takip gibi görsel yapay zekâ görevlerini destekleyen bir bilgisayarlı görü modelidir. YOLO11'in nesne algılama yeteneklerini kullanarak görüntülerdeki araç plakalarını doğru biçimde tespit edebilirsin.

Ultralytics, görsel yapay zekâ destekli çözümler oluşturma sürecini kolaylaştıran kapsamlı Google Colab not defterleri sunar. Bu not defterleri gerekli bağımlılıklar, modeller ve adım adım kılavuzlarla önceden yapılandırılmıştır; böylece uygulama oluşturmak kolaylaşır. Özellikle ANPR (Otomatik Plaka Tanıma) için özel bir Colab not defteri bulunur.

Bu makalede, plaka algılama için Ultralytics YOLO11'i ve metin tanıma için GPT-4o Mini'yi kullanarak ANPR çözümünün nasıl oluşturulacağını, ANPR için Ultralytics Colab not defterinden yararlanarak inceleyeceğiz.

ANPR'yi anlama#

Arabaları elle izlemek, özellikle hızlı hareket ettiklerinde, zaman alır ve hataya açıktır. Her plakayı tek tek kontrol etmek süreci yavaşlatır ve hata olasılığını artırır. Otomatik plaka tanıma, plakaları anında algılamak ve okumak için bilgisayarlı görü kullanarak bu sorunu çözer; böylece trafik izleme ve güvenlik daha verimli hâle gelir.

ANPR sistemleri, geçen araçların görüntülerini veya videolarını çekebilir ve plakaları belirlemek için gerçek zamanlı nesne algılamadan yararlanabilir. Plakalar tespit edildikten sonra metin tanıma kullanılarak plaka numaraları insan müdahalesi olmadan otomatik olarak çıkarılır. Bu süreç, araçlar hızla hareket ederken veya plakalar kısmen kapalıyken bile doğru sonuçların korunmasına yardımcı olur.

Şekil 1. Plaka algılamak için Ultralytics YOLO11 kullanımına bir örnek.

Günümüzde gişeler, park sistemleri ve kolluk kuvvetleri araçları verimli biçimde takip etmek için giderek daha fazla ANPR'ye güveniyor.

ANPR teknolojisiyle ilgili zorluklar#

ANPR araçları hızla tanımlasa da doğruluğunu etkileyebilecek bazı zorluklar hâlâ vardır. ANPR sisteminin çalışma başarısını etkileyebilecek yaygın sorunlardan bazıları şunlardır:

• Düşük ışık ve kötü hava koşulları: Plakaları gece ve kötü hava koşullarında okumak daha zordur. Sis, yağmur ve far parlaması metni bulanıklaştırarak okunamaz hâle getirebilir.
• Bulanık veya kapalı plakalar: Hızla hareket eden bir araba, özellikle kameranın enstantane hızı çok düşükse bulanık bir görüntüye neden olabilir. Kir, çizikler veya plakanın bazı bölümlerinin örtülmesi de tanıma sorunlarına yol açabilir. Uygun ayarlara sahip yüksek kaliteli kameralar kullanmak daha net sonuçlar alınmasına yardımcı olur.
• Tutarsız plaka tasarımları: Tüm plakalar aynı görünmez. Bazılarında süslü yazı tipleri, ek metinler veya sistemi şaşırtan logolar bulunur.
• Gizlilik riskleri ve veri güvenliği: Araç verilerini güvenli biçimde saklamak önemlidir. Doğru güvenlik önlemleri yetkisiz erişimi önleyebilir ve bilgileri koruma altında tutabilir. Uygun koruma önlemleriyle ANPR sistemleri hem güvenli hem de güvenilir olabilir.

Ultralytics YOLO11, ANPR sistemlerini nasıl iyileştirir?#

Ultralytics YOLO11, ANPR sistemlerini daha hızlı ve daha doğru hâle getirebilir. Görüntüleri hassasiyeti koruyarak hızla işler ve yüksek hesaplama gücü gerektirmez; bu nedenle küçük güvenlik kameralarından büyük trafik sistemlerine kadar her yerde iyi çalışır.

Özel eğitim sayesinde Ultralytics YOLO11 farklı plaka stillerine, dillere ve ortamlara uyarlanabilir. Ultralytics Platform'daki Car License Plate gibi herkese açık veri kümeleri iyi bir başlangıç noktasıdır. Bu koşullara ait görüntüler içeren özel veri kümeleri üzerinde eğitildiğinde düşük ışık, hareket bulanıklığı ve zorlu açılar gibi güç koşullarda da iyi performans gösterir.

Ultralytics YOLO11, araçları anında tanımlayarak bekleme sürelerini azaltmaya, hataları önlemeye ve güvenliği iyileştirmeye yardımcı olur. Böylece otoparklarda, gişelerde ve gözetim sistemlerinde trafik akışı kolaylaşır ve operasyonlar daha verimli hâle gelir.

Ultralytics YOLO11 ve GPT-4o Mini ile ANPR sistemi oluşturma#

Şimdi Ultralytics YOLO11 ve GPT-4o Mini kullanarak ANPR sisteminin nasıl oluşturulacağını adım adım inceleyelim.

Bu çözüm için Ultralytics Google Colab not defterinde gösterilen kodu inceleyeceğiz. Google Colab not defterinin kullanımı kolaydır ve herkes karmaşık bir kurulum gerekmeksizin ANPR sistemi oluşturabilir.

Adım 1: Ortamı kurma#

Başlamak için ANPR sistemimizi çalıştırmak üzere gereken temel yazılım paketlerini ve kütüphaneleri, yani bağımlılıklarımızı yüklememiz gerekiyor. Bu bağımlılıklar nesne algılama, görüntü işleme ve metin tanıma gibi görevlere yardımcı olarak sistemin verimli çalışmasını sağlar.

Aşağıda gösterildiği gibi Ultralytics Python paketini yükleyeceğiz. Bu paket, önceden eğitilmiş modeller, eğitim yardımcı programları ve çıkarım araçları sunarak YOLO11 ile plakaları algılamayı ve tanımayı kolaylaştırır.

Şekil 2. Ultralytics Python paketinin yüklenmesi.

Metin tanıma için GPT-4o Mini'yi de kurmamız gerekecek. GPT-4o Mini, tespit edilen plakalardaki metni çıkarmaktan sorumlu olduğundan modele erişmek için bir API anahtarına ihtiyacımız var. Bu anahtarı OpenAI API'ye kaydolarak alabilirsin. Anahtarı aldıktan sonra sistemin modele bağlanıp plaka numaralarını işleyebilmesi için Colab not defterine ekleyebilirsin.

Kurulumu tamamlayıp yükleme kodunu çalıştırdıktan sonra Ultralytics YOLO11 plakaları algılamaya, GPT-4o Mini ise plakalardaki metni tanıyıp çıkarmaya hazır olacaktır.

Adım 2: Özel olarak eğitilmiş modeli indirme#

Artık her şey hazır olduğuna göre sıradaki adım, plakaları algılamak üzere özel olarak eğitilmiş Ultralytics YOLO11 modelini indirmektir. Bu model plakaları algılamak için zaten eğitildiğinden sıfırdan eğitmen gerekmez. Modeli indirmen yeterlidir; hemen kullanıma hazır olur. Bu, zamandan tasarruf sağlar ve süreci çok daha kolaylaştırır.

Ayrıca sistemi test etmek için örnek bir video dosyası indireceğiz. İstersen bu çözümü kendi video dosyalarında da çalıştırabilirsin. İndirildikten sonra model ve video dosyaları not defteri ortamında saklanır.

Şekil 3. Modelin ve video dosyasının indirilmesi.

Adım 3: Videoyu yükleme ve algılamayı başlatma#

Model hazır olduğunda çalışma biçimini görme zamanı gelir. Önce video dosyası işlenmek üzere yüklenir ve doğru biçimde açıldığı doğrulanır. Ardından, orijinal boyut ve kare hızı korunurken işlenmiş görüntüleri algılanan plakalarla birlikte kaydetmek üzere bir video yazıcısı ayarlanır. Son olarak model, videonun her karesindeki plakaları algılamak için yüklenir.

Şekil 4. Videonun okunması ve modelin yüklenmesi.

Model yüklendikten sonra sistem, plakaları tespit etmek için videonun her karesini analiz etmeye başlar. Bir plaka bulunduğunda sistem, kolayca tanınabilmesi için plakayı bir sınırlayıcı kutuyla vurgular. Bu adım, gereksiz arka plan bilgilerini filtreleyerek yalnızca ilgili ayrıntıların yakalanmasını sağlar. Plakalar başarıyla tespit edildiğinde video bir sonraki aşamaya hazır olur.

Adım 4: Plakalardan metin çıkarma#

Bir plaka tespit edildikten sonraki adım, optik karakter tanıma (OCR) olarak da bilinen metin tanımadır. Sistem önce plakayı video karesinden kırparak net bir görünüm elde etmek için dikkat dağıtıcı unsurları kaldırır. Bu, ayrıntılara odaklanmaya yardımcı olur ve düşük ışık veya hareket bulanıklığı gibi zorlu koşullarda bile doğruluğu artırır.

Plaka ayrıştırıldıktan sonra GPT-4o Mini görüntüyü analiz eder, rakamları ve harfleri çıkarır ve bunları okunabilir metne dönüştürür. Ardından tanınan metin videoya eklenerek tespit edilen her plaka gerçek zamanlı olarak etiketlenir.

Bu adımlar tamamlandığında ANPR sistemi tamamen işlevseldir ve plakaları kolayca tanımaya hazırdır.

Adım 5: İşlenen videoyu kaydetme#

Son adımda işlenen video kaydedilir ve geçici dosyalar temizlenerek her şeyin sorunsuz çalışması sağlanır.

Tespit edilen plakalar ve tanınan metinle birlikte işlenen her kare, son çıktı videosuna yazılır. Tüm kareler işlendikten sonra sistem, okuduğu video dosyasını kapatarak bellek ve sistem kaynaklarını serbest bırakır. Ayrıca çıktı videosunu son hâline getirip kaydederek oynatılmaya veya daha fazla analiz edilmeye hazırlar.

Şekil 5. ANPR için YOLO11 ve GPT-4o Mini kullanımı.

ANPR sistemi dağıtımı#

Bir ANPR çözümü oluşturup test ettikten sonraki adım, çözümü gerçek dünya ortamında dağıtmaktır. Pek çok görsel yapay zekâ modeli yüksek performanslı bilgi işlem kaynaklarına ihtiyaç duyar; ancak Ultralytics YOLO11 uç yapay zekâ için optimize edilmiştir. Bulut işlemesi veya sürekli internet bağlantısı gerektirmeden küçük cihazlarda verimli biçimde çalışabilir; bu da onu kaynakların kısıtlı olduğu yerler için harika bir seçenek hâline getirir.

Örneğin, güvenlikli bir yerleşim alanı, araçları girişte tanımak ve büyük sunucu ihtiyacını ortadan kaldırmak için Ultralytics YOLO11'i uç cihazda dağıtabilir. Her şey yerinde ve gerçek zamanlı olarak işlenerek sorunsuz geçiş, daha az trafik sıkışıklığı ve daha yüksek güvenlik sağlanır.

Şekil 6. YOLO11 ile plakaları tespit etme.

Öte yandan, internet bağlantısının istikrarlı olduğu bölgelerde bulut tabanlı ANPR aynı anda birden fazla kamerayı işleyebilir. Örneğin bir alışveriş merkezinde, araçları farklı girişler arasında izleyebilir ve plaka numaralarını merkezi bir sistemde saklayabilir. Böylece otoparkı izlemek, güvenliği artırmak ve araç trafiğini uzaktan yönetmek kolaylaşır.

ANPR'nin geleceği#

Ultralytics YOLO11 ile otomatik plaka tanıma (ANPR) sistemini kurmak kolaydır. Sistem plakaları doğru biçimde tespit eder ve farklı ortamlara ve gereksinimlere uyum sağlaması için özel olarak eğitilebilir.

ANPR sistemleri güvenliği artırır, otopark yönetimini kolaylaştırır ve trafik takibini iyileştirir. Plaka tanımayı otomatikleştirerek hataları azaltır, tanımlamayı hızlandırır ve çeşitli uygulamalarda araçların daha verimli izlenmesini sağlarlar.

Yapay zekâyı uygulamada görmek için topluluğumuza katıl ve GitHub depomuzu ziyaret et. Lisanslama seçeneklerimizi incele ve çözüm sayfalarımızda üretimde görsel yapay zekâ ve otonom araçlarda yapay zekâ hakkında daha fazla bilgi edin.